Tagg: Maskininlärning (machine learning)

  • A multinational cross-sectional survey on the use of AI-based voice assistance systems in emergency medical services

    AI är ju på tapeten, men som jag tidigare skrivit här på prehospitalt upplever jag mycket av AI-forskningen inom den prehospitala vården ganska omogen och jag har varit tämligen selektiv med att skriva om sådana artiklar. Jag vet egentligen inte om dagens artikel har någon högre mognadsgrad, men det var ett tag sedan jag läste något AI-relaterat och denna fångade mitt intresse. Den handlar om behov, acceptans och hinder för AI-baserade röstassistenter i ambulanssjukvården och berör exempelvis vad man skulle vilja använda en sådan till, vad som är viktigt och vad som skulle kunna bli problem. Ingen kioskvältare, men ja, ändå ganska intressant…

    Möllenhoff, C.; Uleberg, O.; Bender, M.; Neumuth, T.; Rockstroh, M. A multinational cross-sectional survey on the use of AI-based voice assistance systems in emergency medical services. Scandinavian Journal of Trauma, Resuscitation and Emergency Medicine 2026. doi:10.1186/s13049-026-01695-1
  • AI-enhanced ECG for acute coronary syndrome triage: A state-of-the-art review

    Jag har inte fått något hårt slag i huvudet även om man kan tro det, här kommer nämligen ännu en uppdatering kring AI i enlighet med gårdagens tema 🙂 Dagens studie är en review kring AI-baserad prehospital EKG-tolkning, och hur denna kan användas för att aktivera PCI-flöde samt utesluta akut hjärtinfarkt (det senare i kombination med högkänsligt troponin). Jag skriver ingen lång text om resultatet idag, men summan är iallafall att författarna ser AI-tolkning av EKG som en lämplig second opinion i klinisk verksamhet gällande inklusion till koronarangiografi samt för uteslutande av akut hjärtinfarkt – det senare om det kombineras med högkänsligt troponin för att uppnå tillräcklig sensitivitet (>99%). AI-tolkning av EKG bör dock enligt författarna även fortsatt ses som ett verktyg under utveckling, och stora randomiserade studier behövs för att säkerställa att sensitiviteten är tillräcklig i stora och heterogena populationer.

    Garg, K.; Bhanushali, V.; Gautam, N.; Sawalha, K.; Rana, A.; Agrawal, A.; Spraggins, R. F.; Bruich, L.; Alhwarat, B.; Almasri, M.; Saucedo, J. F.; AbuHalimeh, A.; Tayal, B.; Rahman, F.; Al'Aref, S. J. AI-enhanced ECG for acute coronary syndrome triage: A state-of-the-art review. Cardiovascular Revascularization Medicine 2026. doi:10.1016/j.carrev.2026.06.015
  • Comparative performance of manual triage systems and ML models in predicting clinical outcomes among patients transported to the emergency department by emergency medical services

    Jag har ju kanske varit lite AI-skeptiker i många avseenden här på prehospitalt (även om jag använder AI en del i vardagen och även driver mycket av funktionaliteten när jag lägger ut inlägg här med AI för att göra det tidseffektivt). Iallafall, idag kommer ändå en studie på maskinlärande och hur detta kan användas för triage och/eller förutsägande av kortsiktiga negativa outcomes (mortalitet eller intensivvårdsbehov) hos prehospitala patienter. Författarna triagerade patienter med tre olika triagesystem (Manchester Triage System, Emergency Severity Index och Turkish Ministry of Health Triage System) och jämförde med den prediktiva kapaciteten hos olika maskininlärningsmodeller baserade på Random Forest, Gradient Boosting Machine och CatBoost. Det senare är kanske grekiska, men det intressanta är att maskininlärningsmodellerna uppvisade bra prestanda med AUROC >0.8. Det gick inte att påvisa att maskininlärningen var signifikant bättre än den manuella triagens förmåga att identifiera negativ outcome, men inte heller sämre. Författarna argumenterar alltså för att maskininlärningsmodeller kan utgöra ett gott tillskott som ”second opinion” till vanlig triage. Detta är något jag själv definitivt tror på som framtiden, att integrera AI i våra ambulansjournalsystem för att föreslå tänkbara differentialdiagnoser och minska risken att något i patientens tillstånd förbises exempelvis i triage. Beslutet på klinikern, men med stöd av AI. Tekniken finns ju, så det är nästan förvånande att det inte redan är här!?

    Selvi, H.; Kalafat, U. M.; Fettahoğlu, S.; Fettahoğlu, S. T.; Yeniyurt, B.; Güner, M.; Bala, E. D.; Basa Kalafat, A. F.; Tapkan, R. B.; Doğan, S. Comparative performance of manual triage systems and ML models in predicting clinical outcomes among patients transported to the emergency department by emergency medical services. BMC Emergency Medicine 2026;26(1). doi:10.1186/s12873-026-01595-8